Artificiell intelligens (AI) har medfört betydande framsteg inom teknologi, men det innebär också utmaningar relaterade till datorkraft och energiförbrukning. Dessa problem är särskilt komplexa i krävande miljöer som ukrainsk lera, arktisk snö eller ökensand. För att tackla dessa utmaningar lanserade Defense Advanced Research Projects Agency (DARPA) OPTIMA-programmet, som syftar till att utveckla kompakt AI-teknologi som bypassar storlek, vikt, kraft och kylbegränsningar.
DARPA tilldelade kontrakt till IBM, Infineon och tre amerikanska universitet, med en potentiell total värde på 78 miljoner dollar under fyra och ett halvt år. Varje mottagare har använt sin egen unika och innovativa metod för att tackla utmaningen. Intervjuer med pristagarna har avslöjat vissa gemensamma drag och viktiga skillnader i deras strategier.
Det huvudsakliga problem som OPTIMA-programmet adresserar involverar överföringen av data mellan minnet och processorn i traditionella chips. Denna konstanta överföring skapar en flaskhals för komplexa AI-beräkningar som utförs på stora datamängder. För att lösa detta har ingenjörer utforskat In-Memory Computing (IMC), som integrerar processorn i minnet för att eliminera frekventa dataöverföringar.
OPTIMA-programmet har sett genombrott inom IMC-tekniker. Princeton Universitys team, under ledning av Professor Naveem Varma, utvecklade en unik lösning med hjälp av kondensatorer istället för halvledare för att överföra analoga signaler. Avståndet mellan dessa metalltrådar bestämmer den elektriska laddningen, vilket ger större energieffektivitet. Varmas tillvägagångssätt kräver inte exotisk utrustning och är därför mycket tillgänglig då chip-tillverkare redan använder liknande metoder i stor skala.
Andra OPTIMA-pristagare, såsom UCLA och Georgia Tech, använder också analoga tekniker för att miniaturisera AI-chips. UCLA använder en välkänd transistor kallad 22FDX. Genom att kontrollera variationer i dess tröskelspänning kan teamet koda data mer kompakt. De minskar risken för spänningsavbrott genom att använda en kalibreringsteknik kallad ”write-verify-write” för att säkerställa datareliabilitet. Liknande använder Georgia Tech transistorer för att integrera viktiga beräkningar i sina miniaturiserade AI-chips.
Dessa banbrytande framsteg inom miniaturisering av AI-chips ger en glimt av framtiden för AI-teknologi. Genom att optimera processorkraften på ett kompakt sätt kommer dessa innovationer att utöka AI:s kapaciteter till utmanande miljöer och revolutionera branscher som militära operationer, hälso- och sjukvård, autonoma fordon och mer.
FAQ
Vad är OPTIMA-programmet?
OPTIMA-programmet, lanserat av DARPA, syftar till att utveckla kompakt AI-teknologi genom att integrera processorn i minnet, vilket eliminerar behovet av frekventa dataöverföringar.
Vad är In-Memory Computing (IMC)?
In-Memory Computing (IMC) innebär att placera processorn inuti minnet, vilket gör att data kan ”gå till jobbet” och undvika flaskhalsen som orsakas av konstanta dataöverföringar.
Vilka utmaningar finns det i att miniaturisera AI-chips?
De främsta utmaningarna med att miniaturisera AI-chips inkluderar storleks-, vikt-, kraft- och kylbegränsningar. Dessutom är det avgörande att säkerställa datareliabilitet och minska energiförbrukningen.
Vilka är några innovativa lösningar för att miniaturisera AI-chips?
Forskare och ingenjörer utforskar olika analoga tekniker, såsom att använda kondensatorer eller transistorer, för att överföra signaler mer effektivt och kompakt. Dessa lösningar erbjuder större energieffektivitet och förbättrad datareliabilitet.
Hur kommer miniaturiserade AI-chips revolutionera branscher?
Genom att optimera processorkraften på ett kompakt sätt kommer miniaturiserade AI-chips att utöka AI:s kapaciteter till utmanande miljöer och revolutionera branscher som militära operationer, hälso- och sjukvård, autonoma fordon och mer.
För mer information om detta ämne kan du besöka Advanced Computing Systems Association (ACM) på deras hemsida: www.acm.org.
The source of the article is from the blog cheap-sound.com